AI模型基准测试

基准测试是标准化测试，用于评估 AI 模型在推理、知识、数学和编程方面的表现。借助它们可以客观比较模型，并为任务选择合适的模型。

📊 标准. 标准 - 四个最常被引用的公开基准（MMLU、GPQA、HumanEval、SWE-Bench），取自各模型的发布页；我们的评分将其汇总为一个数值。

🤗 HF开放LLM排行榜. HF Open LLM Leaderboard - 对开源模型统一测量的六项任务（IFEval、BBH、MATH、GPQA、MuSR、MMLU-Pro），按平均分排名。